Generative Teaching Networks: Accelerating Neural Architecture Search by Learning to Generate Synthetic Training Data

https://eng.uber.com/generative-teaching-networks/

Paper:  https://arxiv.org/abs/1912.07768

Мы с таким не сталкивались! Подскажи, как воспроизвести? Я примерно догадываюсь как такое может триггериться, но пример упростит дебаг.

Это работает так в unittest. Там поднимается модель из бинарника, что-то предиктится, потом тест заканчивается. И вот такое...

Можешь сделать микропример юниттеста с игрушечной моделькой который падает?

У нас pytest - ы не падают так:(

Я попробую, но уже после нг :) всех с Новым годом :)))🎉

Alert! Abush ⏳ is a known spammer and is CAS banned. Ban is strongly recommended.

Всем привет!
прохожу grid_search  в поисках оптимальных параметров. В sklearne есть метод gest_estimator
есть ли похожее в catboost? как понять каким параметрам соответствует лучший скор? не могу найти в документации инфу

https://catboost.ai/docs/concepts/python-reference_catboost_grid_search.html - вот тут документация. Там в возвращаемом значении есть params. Также в репозитории с туториалами есть туториал по грид серчу и рандом серчу, туда можно заглянуть за примерами.

Анна, спасибо, разобрался

Добрый вечер! Скажите, пожалуйста, а поддерживается ли обучение на GPU на кроссвалидации?

Да

Спасибо! А в чем может быть причина отсутствия отображения графического окна с графиками во время режима GPU в Jupiter Notebook на кроссвалидации?

В связи с некоторыми особенностями реализации на GPU информация для графиков обновляется сразу пачками итераций, поэтому может быть эффект, что отрисовка появляется позже, но сразу за пачку итераций, но вообще она тоже должна быть.

Спасибо, буду разбираться

Alert! Ag Hafizah is a known spammer and is CAS banned. Ban is strongly recommended.

Я так понял в катбуст реализован свой метод на КВ?

Смотря что понимать под "свой". Принцип кросс-валидации стандартный (https://en.wikipedia.org/wiki/Cross-validation_(statistics)#k-fold_cross-validation), реализация в коде со своими техническими особенностями.

Всем привет! Вышел CatBoost 0.20.2.

New features:
- String class labels are now supported for binary classification
- [CLI only] Timestamp column for the datasets can be provided in separate files.
- [CLI only] Timesplit feature evaluation.
- Process groups of any size in block processing.


Bug fixes:
- classes_count and class_weight params can be now used with user-defined loss functions. #1119
- Form correct metric descriptions on GPU if use_weights gets value by default. #1106
- Correct model.classes_ attribute for binary classification (proper labels instead of always 0 and ``1``). #984
- Fix model.classes_ attribute when classes_count parameter was specified.
- Proper error message when categorical features specified for MultiRMSE training. #1112
- Block processing: It is valid for all groups in a single block to have weights equal to 0
- fix empty asymmetric tree index calculation. #1104